利用置信規則庫構建WSN節點故障檢測模型

朱海龍，耿文強，韓勁松，張廣玲，馮志超

（1. 哈爾濱師范大學 計算機科學與信息工程學院，黑龍江 哈爾濱 150025; 2. 哈爾濱金融學院 計算機系，黑龍江 哈爾濱 150030; 3. 火箭軍工程大學 導彈工程學院，陜西 西安 710025）

無線傳感器網絡(WSN)已廣泛用于大型工業結構件的安全檢測[1]、軍事領域的實時信息采集[2]、生態環境監測[3]、輔助農業生產和復雜的機械控制等領域[4-5]。在實際應用中，傳感器節點發生故障和通信信道受到干擾等因素會導致傳感器節點采集數據不完整不準確，同時傳感器節點工作環境的復雜性和WSN的無中心特性也會增加人工維護和故障排查的難度，所以對WSN節點進行實時準確地故障檢測對無線傳感器網絡的應用和發展具有十分重要的意義。目前對WSN節點的故障檢測方法主要分為2種：1) 基于數據驅動的WSN節點故障檢測方法[6-15]；2) 基于專家知識的WSN節點故障檢測方法[16-17]。

方法1需要處理大量的傳感器數據，且算法準確性依賴于傳感器節點發送數據的完整性和準確性。典型的數據驅動方法又分為構建神經網絡[6-8]及構建數據模型2種方式[9-15]。方法2基于專家知識，算法檢測準確率較高，但檢測準確率依賴于專家知識的準確性。如文獻[16]提出一種基于可信度和鄰居協作的WSN節點故障檢測算法，依賴可信度模型以及鄰居節點的診斷回復完成節點故障檢測過程。目前大部分WSN故障檢測方法無法準確地描述不確定、模糊以及未知信息，導致故障檢測失去可靠性。為解決該問題，有學者使用證據推理規則描述不確定、模糊以及未知信息[18]。楊建波等[19]在證據推理基礎上進一步提出置信規則庫(belief rule base，BRB)模型。相比其他故障檢測算法，置信規則庫在具備數據樣本可訓練的優勢上集成了專家知識，同時使用半定量信息描述數據不確定性和專家知識模糊性2個不確定信息，還具有過程可解釋、結果可追溯等優點。因此，本文引入置信規則庫開展故障檢測算法的研究。同時，為了準確地描述傳感器數據的變化趨勢和節點間數據的相關程度，在置信規則庫基礎上加入時間相關性和空間相關性來描述故障檢測過程。

1 問題描述

1.1 基本假設

假設1 故障檢測輸出的結果包括正常故障、偏移故障、高噪聲故障、離群點故障和固定值故障，用Y(t) 表示。

假設2 數據處理中心接收到的傳感器數據用矩陣Xmn(t) 表示，該矩陣為第n個傳感器在t時刻接收到的第m個屬性的數據，如式(1)所示：

1.2 WSN節點故障檢測

為檢測故障需要依據式(3)提取數據特征：

式中：g(·) 為特征提取函數； σ表示轉換過程中用到的參數集合。在此基礎上，故障檢測的過程可用式(4)描述：

式中：h(·) 表示從前提屬性到故障檢測結果的轉換過程；λ 表示轉換過程中用到的參數集合。結合式(3)、(4)，故障檢測過程可描述為

2 構建節點故障檢測模型

2.1 故障檢測模型建立

由第1節可知本文的故障檢測包括前提屬性提取和傳感器故障類型確定2個過程，可用圖1直觀表示出來。

圖1 故障檢測模型工作流程Fig.1 Workflow of the fault detection model

2.2 BRB前提屬性提取

2.2.1 時間相關性

采用文獻[20]提出的趨勢相關性表述相鄰節點在某一時間段內數據的趨勢變化相似性：

進一步可得節點i、j在時刻t的趨勢相關性系數定義為

趨勢相關性系數 χi,j(t) 取值范圍為[?1,1]，該系數趨近于1時表示傳感器數據序列Xi(t) 和Xj(t)正相關性程度越高。

2.2.2 空間相關性

本文用空間相關性表示相鄰節點在某一時刻的數據相似程度，空間相關性使用殘差計算獲得：

2.3 建立置信規則庫模型

2.3.1 模型規則建立

置信規則庫(BRB)的建模依賴于一系列的置信規則，其中第k條置信規則可以描述為

Rk:ifx1isA1,···,xMisAM

then{(D1,β1,k),(D2,β2,k),···,(DN,βN,k)}

withruleweightθk

andattributeweightδ1,δ2,···,δM

其中：Rk表示置信規則庫模型的第k條置信規則；x1,x2,···,xM為一個樣本的M個前提屬性；A1,A2,···,AM表示M個前提屬性對應的參考值；D1,D2,···,DN表示置信規則庫輸出的N個結果；βN,k表示在第k條置信規則下第N個結果對應的置信度； θk為第k條置信規則的規則權重；δ1,δ2,···,δM表示每個前提屬性的屬性權重。

2.3.2 模型推理

在置信規則庫的構建過程中需要設定前提屬性和與之對應的參考值，通過前提屬性間的一一映射，初始置信表被構建出來。基于楊劍波等[19-22]提出的ER解析算法對置信規則進行規則融合，可得本文置信規則庫模型的推理過程：

1) 計算規則匹配度

2) 計算激活規則的激活權重

3) ER解析算法進行規則融合

4) 效用計算得出結果

2.3.3 模型優化

在優化之前首先需要確定規則權重 θk、屬性權重 δM和置信度 βn,k的約束條件，具體描述如下：

1) 規則權重，在置信規則庫模型構建時，對于每一條置信規則Rk所對應的規則權重 θk需要滿足的約束條件為 0 ≤θk≤1,k=1,2,···,L。

2) 屬性權重，在置信規則庫模型構建時，需要確定M個前提屬性對應的屬性權重 δM，其對應的約束條件為 0 ≤δi≤1,i=1,2,···,M。

3) 對于第k條規則，其對應的第N個結果DN出現的概率可以用置信度 βn,k表示，置信度 βn,k的約束條件可描述為

0≤βn,k≤1,n=1,2,···,N;k=1,2,···,L

同時所有置信規則置信度總和可以表示為

其次，模型預測結果的精度表示為

圖2 BRB模型優化流程Fig.2 BRB model optimization flow

3 案例研究

在本節中，使用Intel Lab Data無線傳感器數據集作為驗證數據集，來檢驗本文所提故障檢測方法的有效性。

3.1 實驗定義

根據不同的實驗要求生成的實驗樣本集描述如下：

1) 數據集1：選取3月1?7日內傳感器所有節點的溫度數據，采樣完成后以10 min為間隔求解溫度數據均值。經過上述處理得到數據集1，共包含1 008個樣本數據。

2) 數據集2：通過對傳感器節點進行分簇，選擇傳感器1、2、3、4作為實驗節點，節點1為故障節點，以6個樣本點為步距將1 008個溫度數據分為168組，每組6個樣本點。1～32組為正常樣本，33～66組為偏移故障，67～100為高噪聲故障，101～134為離群點故障，135～168為固定值故障。基于故障類型設置相應的故障類型標簽0、1、2、3、4，并生成數據集2。

3.2 模型參數設置

為構建基于BRB的WSN節點故障檢測模型，需要事先確定模型的前提屬性。通過分析前提屬性A1和前提屬性A2的數值特性與變化趨勢，可以確定這2個前提屬性的參考點。對于前提屬性A1，確定其7個參考點，分別是非常低(S)、較低(J)、低(L)、中等(M)、高(H)、較高(B)、非常高(T)。前提屬性A1的參考點可描述為

前提屬性2參考點的選取方式與前提屬性1保持一致，前提屬性A2的參考點可描述為

對于BRB模型的輸出結果，確定5個參考點，分別是正常(N)、偏移故障(O)、高噪聲故障(G)、離群點故障(D)、固定值故障(F)。結果Y(t)的參考點可描述為

前提屬性1、前提屬性2和輸出結果參考點及其對應參考值設置如表1、2所示。

表1 前提屬性1、2參考點及參考值Table 1 Referential points and values of the premise attributes 1 and 2

表2 輸出結果 Y (t)參考點及參考值Table 2 Referential points and values ofY(t)

表2 輸出結果 Y (t)參考點及參考值Table 2 Referential points and values ofY(t)

參考點 N O G D F參考值 0 1 2 3 4

前提屬性和輸出結果的參考點及參考值設置合理以后，即可進行置信表的設置，將前提屬性1和前提屬性2的所有參考點進行充分組合，組成置信規則。本文中置信表置信規則數目為2個前提屬性參考點數量之積，置信規則數為49條，每條規則對應的5個結果的置信度由專家知識進行確定。

3.3 實驗結果分析

3.3.1 實驗結果

為了使模型具有較強的泛化能力，在實驗過程中將訓練集設置為測試集的一半，在本實驗中，將168組殘差、趨勢相關性以及結果標簽組成測試集，則可確定模型訓練所需的樣本規模為84組。

為驗證BRB模型進行傳感器節點故障檢測的有效性，重復了10輪實驗，每輪最大迭代次數為2 000次；使用3個指標進行性能描述以準確地衡量故障檢測方法的性能：均方誤差(ψ)、檢測準確率(τ)和錯檢率(ρ)。經過計算，得到本文方法的3個性能衡量指標計算結果為0.14、0.95、0.065。本文所提方法在10輪驗證實驗過程中，具有95%的故障檢測準確率，表明本文方法可以將95%的樣本節點狀態檢測準確，故障錯檢率為0.065表明方法可以將93.5%的樣本故障類型正確檢測。

3.3.2 對比實驗

在本節設置對比實驗驗證置信規則庫(BRB)在WSN傳感器節點故障檢測領域中的優越性。設置對比對象為KNN神經網絡、隨機森林(RF)神經網絡、極限學習機(ELM)和BP神經網絡。KNN神經網絡、RF神經網絡、ELM和BP神經網絡是典型的數據驅動方法，每輪測試的迭代次數為2 000次，每種方法都進行了10輪測試。測試后計算不同方法的各項性能指標(均方誤差、故障檢測準確率、故障錯檢率)平均數值。其余性能指標MSE、檢測準確率、錯檢率的均值對比如圖3～5所示。

圖3 MSE值比較Fig.3 Comparison of MSE values

圖4 檢測準確率比較Fig.4 Comparison of detection accuracies

圖5 錯檢率比較Fig.5 Comparison of false detection rates

通過3個指標的比較，可以看出本文所提的基于BRB的WSN節點故障檢測方法相比其他4種方法，具有最高的平均檢測準確率、最低的平均MSE值和最低的平均錯檢率，主要指標10輪測試平均值如表3所示。通過表3和圖3～5對5種方法的性能進行觀察比較，發現本文所提方法相比較KNN、RF、ELM以及BP神經網絡具有更高的故障檢測精度。

表3 性能指標平均值對比表Table 3 Comparison of average performance indicators

4 結束語

本文提出的基于置信規則庫的WSN傳感器節點故障檢測算法，用殘差和趨勢相關性描述傳感器數據趨勢變化和數值相似性，進行故障節點定位和故障類型確定；同時使用殘差和趨勢相關性并結合專家知識來確定模型的初始參數。實驗結果證明，該方法減少了不確定性信息對故障檢測準確率的影響，增強了BRB在WSN傳感器節點故障檢測中的有效性。但BRB在WSN中的應用僅僅處于開始階段，日后的工作將從以下幾方面進行：

1) 探索BRB在干擾環境下對WSN傳感器節點故障檢測的有效性；

2) 探索深度學習、大數據技術與BRB的融合應用，并運用到WSN傳感器節點故障檢測中；

3) 探索BRB在復雜網絡拓撲WSN中故障檢測的應用。